Note：[ wechat：Y466551 | 可加勿骚扰，付费咨询 ] 。

论文信息

论文标题：Adversarial Soft Prompt Tuning for Cross-Domain Sentiment Analysis 论文作者：Hui Wu、Xiaodong Shi 论文来源：2022 ACL 论文地址：download  论文代码：download 视屏讲解：click 。

1 介绍 

动机 ：直接使用固定的预定义模板进行跨域研究，不能对不同域的 $\text{[MASK]}$ 标记在不同域中的不同分布进行建模，因此没有充分利用提示调优技术。在本文中，提出了一种新的对抗性软提示调优方法（AdSPT）来更好地建模跨域情绪分析； 。

贡献 :

• • 在提示式调优中，我们采用单独的软提示来学习丰富了领域知识的嵌入，从而减轻了[MASK]位置的领域差异；
  • 我们设计了一种新的对抗性训练策略来学习[面具]位置的域不变表示；
  • 在 Amazon 评论数据集上的实验表明，AdSPT方法在单源域适应下的平均精度为93.14%（0.46绝对改进），在多源域适应下的平均精度为93.75%（0.81绝对改进）；　

2 相关

　　通常使用预定义模板（例如 “It was [MASK].” ）在二元情绪分析的提示调优中，正或负的分类结果依赖于掩蔽语言建模（MLM）任务中预定义的标签词（例如，“好，坏”）的概率。然而，不同领域的MLM预测结果的分布可能会有所不同。图1显示了一个例子，图书域审查和视频域审查之间的差异导致了标签词的不同可能性。图书领域评论中的高频标签词是“有用的”，而视频领域评论是“真实的”，两者都不在预定义的“ 。

3 方法

3.1 提示输入

　　提示输入 $\boldsymbol{x}_{\text {prompt }}$:

　　　　$\boldsymbol{x}_{\text {prompt }}= {[\mathbf{e}(\text { "CLS }] "), \mathbf{e}(\boldsymbol{x}), \mathbf{h}_{0}, \ldots, \mathbf{h}_{k-1}, }\mathbf{e}(\text { "[MASK]") }, \mathbf{e}(\text { "[SEP]") })]$ 。

　　注意：输入 $\boldsymbol{x}_{\text {prompt }}$ 不是一个 $\text{raw text}$ ，而是一个嵌入矩阵，$\text{nn.Embedding}$ 后的结果； 。

3.2 Encoder 输出

　　将提示输出作为编码器的输入，得到:

　　　　$\mathbf{h}_{[\mathrm{MASK}]}, \mathbf{s}_{[\mathrm{MASK}]}=\mathcal{M}\left(\boldsymbol{x}_{\text {prompt }}\right) $ 。

　　其中，$\mathbf{h}_{[\text {MASK }]} \in \mathbb{R}^{h}$，$\mathbf{s}_{[\text {MASK }]} \in \mathbb{R}^{|\mathcal{V}|}$，$\mathrm{s}_{[\mathrm{MASK}]}= f\left(\mathbf{h}_{[\text {MASK }]}\right) $，$f$ 是 $\text{MLM head function}$； 。

3.3 情感分类

　　情感预测:

　　　　$\begin{aligned}p(y \mid \boldsymbol{x}) & =p\left(\mathcal{V}_{y}^{*} \leftarrow[\mathrm{MASK}] \mid \boldsymbol{x}_{\text {prompt }}\right) \\& =\frac{\exp \left(\mathbf{s}_{[\mathrm{MASK}]}\left(\mathcal{V}_{y}^{*}\right)\right)}{\sum_{y^{\prime} \in \mathcal{Y}} \exp \left(\mathbf{s}_{[\mathrm{MASK}]}\left(\mathcal{V}_{y^{\prime}}^{*}\right)\right)}\end{aligned}$ 。

　　其中，$\mathcal{V}^{*} \in  \{ \text{good,bad} \}$； 。

　　情感分类损失:

　　　　$\mathcal{L}_{\text {class }}\left(\mathcal{S} ; \theta_{\mathcal{M}, p, f}\right) =-\sum_{i=1}^{N}  {\left[\log p\left(y_{i} \mid \boldsymbol{x}_{i}\right)^{\mathbb{I}\left\{\hat{y}_{i}=1\right\}}\right.} \left.+\log \left(1-p\left(y_{i} \mid \boldsymbol{x}_{i}\right)\right)^{\mathbb{I}\left\{\hat{y}_{i}=0\right\}}\right]$ 。

3.4 域对抗性训练

　　设有 $\text{m}$ 个源域 ，源域、目标域的域标签分别为 $0 , 1$，$m$ 个域鉴别器 $\mathbf{g}=\left\{g_{l}\right\}_{l=1}^{m}$； 。

　　域预测:

　　　　$p(d \mid \boldsymbol{x})=\frac{\exp \left(g_{l}^{d}\left(\mathbf{h}_{[\mathrm{MASK}]}\right)\right)}{\sum_{d^{\prime} \in \mathcal{D}} \exp \left(g_{l}^{d^{\prime}}\left(\mathbf{h}_{[\mathrm{MASK}]}\right)\right)}$ 。

　　域分类损失:

　　　　$\mathcal{L}_{\text {domain }}\left(\hat{\mathcal{S}}, \mathcal{T} ; \theta_{\mathcal{M}, p, \mathbf{g}}\right) =-\sum_{l=1}^{m} \sum_{i=1}^{N_{l}^{s}+N^{t}} {\left[\log p\left(d_{i} \mid \boldsymbol{x}_{i}\right)^{\mathbb{I}\left\{\hat{d}_{i}=1\right\}}\right.}\left.+\log \left(1-p\left(d_{i} \mid \boldsymbol{x}_{i}\right)\right)^{\mathbb{I}\left\{\hat{d}_{i}=0\right\}}\right]$ 。

　　域对抗训练:

　　　　$\underset{\mathcal{M}, p}{\text{max}}\; \underset{\mathbf{g}}{\text{min}} \;\mathcal{L}_{\text {domain }}\left(\hat{\mathcal{S}}, \mathcal{T} ; \theta_{\mathcal{M}, p, \mathbf{g}}\right)$ 。

3.5 训练目标

　　优化 $\text{PLM}$  $\mathcal{M}$ ，$\text{soft prompt embeddings}$  $p$ , $\text{MLM head function}$  $f$，$\text{domain discriminators }$ $\mathbf{g}$:

　　　　$\underset{\mathcal{M}, p, f}{\text{min}} \{ \lambda \mathcal{L}_{\text {class }}\left(\mathcal{S} ; \theta_{\mathcal{M}, p, f}\right) \left.-\underset{\mathbf{g}}{\text{min}} \mathcal{L}_{\text {domain }}\left(\hat{\mathcal{S}}, \mathcal{T} ; \theta_{\mathcal{M}, p, \mathbf{g}}\right)\right\}$ 。

3.6 算法

　　如下:

4 实验

single-source domain adaptation on Amazon reviews 。

Results of multi-source domain adaptation on Amazon reviews 。

Ablation experiments 。

最后此篇关于论文解读（AdSPT）《AdversarialSoftPromptTuningforCross-DomainSentimentAnalysis》的文章就讲到这里了,如果你想了解更多关于论文解读（AdSPT）《AdversarialSoftPromptTuningforCross-DomainSentimentAnalysis》的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。